Продуктовое позиционирование принято Apr 9 после спора Ильдар vs Вася; на Apr 17 формулировка «врач может ошибаться, прибор — нет» уже общая для команды (Вася + Катя).
Контекст
Внутри команды стоял вопрос: BloodGPT — это AI-ассистент с допустимой погрешностью (как LLM-агенты в разработке) или прибор с обязательной воспроизводимостью? От ответа зависят требования к точности, маркетинг, регуляторное позиционирование и формат фич.
Ильдар (Apr 9) поднял: LLM-агенты по бенчмаркам никогда не бьют 100%, но всё равно полезны — не слишком ли бинарна логика «всё или ничего» в продукте.
Выбрали: позиционирование как прибор
Вася: даже если формально BloodGPT — не medical device, продаём аудитории врачей, которая ждёт от продукта поведения прибора. Сертифицированные медицинские алгоритмы дают одинаковый ответ по методике всегда — это и есть «прибор». «Примерно правильный» ответ — это рекомендательная система, а врач после ошибки уходит навсегда и тянет за собой свою сеть.
«Врач может ошибаться, а прибор нет. Мы прибор. То есть даже если он не medical device, то поскольку мы продаём такой аудитории, то подход именно к таким приборам.» — Вася, Apr 9
Apr 17 в брейншторме та же формулировка повторена как разделённый фрейм Васи и Кати.
Почему
- Доверие в медицине строится месяцами, рушится за один инцидент. Каждая ошибка обнуляет отношения с конкретным врачом и со всеми, кто его рекомендовал.
- Без позиционирования как прибор продукт не отличается от Amazon / Perplexity / Claude for Health — общедоступных AI-ассистентов с допустимой погрешностью.
- Это даёт основу для конкурентного преимущества: «100% на Stanford MedBenchmark» как точка отстройки от LLM, которые дают 88–98%.
Следствия
- Требование 100% точности — производное от позиционирования, не самостоятельное (см. 100-percent-accuracy-debate).
- Иерархия метрик в бенчмарках: точность → консистентность (5–20 повторений одинакового результата) → цена → скорость. Первые две — порог входа.
- 5% borderline зона оставлена как явный UX-приём, не клиническая интерпретация — иначе её невозможно защищать как поведение прибора. См. 5-percent-borderline-zone.
- Маркетинг строится вокруг достижений на бенчмарках (Stanford MedBench, MedCalc) — pitch deck Apr 22, главная страница, PR-материалы.
- Engineering реальность асимптотическая — error compounding в многошаговом LLM-пайплайне. Возникает разрыв между маркетинговыми «100%» и инженерным «стремимся к асимптоте». Этот разрыв ещё не зафиксирован в общении с клиентами (см. 100-точности-расходящиеся-ожидания).
Открытые вопросы
- Регуляторное позиционирование: если позиционируемся как прибор для аудитории, но формально не medical device — как защищать это при сертификации.
- Как отвечать врачам когда продукт ошибается на реальных данных (не на бенчмарке): прибор-формулировка обязывает, но ошибки неизбежны.
- Граница «UX-приём» vs «клиническая интерпретация» — кто решает что попадает в какую категорию (текущий пример — 5% borderline; следующие случаи будут).
Связано
- 100-percent-accuracy-debate — математика складывающихся ошибок и маркетинговое позиционирование
- team-dynamics — расхождение ожиданий внутри команды (коммерция / инженерия / врач)
- 5-percent-borderline-zone — как UX-приём защищается через явное «не клинически»
- llm-safety-in-medicine — Quality Unit, регуляторика
Источники
Сноски
-
2026-04-09 «Беклог проектов» (Ильдар vs Вася [С1] требование 100% — каприз или необходимость; [Н1] врач после ошибки уходит и тянет сеть; [Н2] позиционирование как прибор), accessed 2026-05-17, https://github.com/Realai-plus/meeting-digests/blob/main/data/digest/2026/04/2026-04-09T14%3A08%3A50.000Z_Беклог_проектов_01KNS960XNDSP0BK956RBTV6DE.md. ↩
-
2026-04-17 «брейншторп!» ([Н1] иерархия метрик; [Н2] «врач может ошибаться, прибор — нет» разделено с Катей), accessed 2026-05-17, https://github.com/Realai-plus/meeting-digests/blob/main/data/digest/2026/04/2026-04-17T15%3A07%3A01.000Z_брейншторп%21_01KPDZP9JZ6B7MGFXTCYJKTY2J.md. ↩
-
2026-04-22 «V-N-J» (питч-дек: «100% на MedCalc и MedAgent Bench» как главное конкурентное преимущество), accessed 2026-05-17, https://github.com/Realai-plus/meeting-digests/blob/main/data/digest/2026/04/2026-04-22T10%3A30%3A00.000Z_V-N-J_01KPBC592SNMKJ5T2E03WXXMZ9.md. ↩